基于卷积神经网络与门控循环单元的交通流预测模型

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器（encoder-decoder,ED）的卷积神经网络(convolutional neural networks,CNN)-门循环单元(gate recurrent unit, GRU)模型,简称ED CNN-GRU。首先使用CNN作为编码器,对交通流序列进行信息捕捉,再将上述信息通过GRU解码器进行解释并输出。实验证明,对比CNN、GRU单个模型,ED框架有效解决了误差的迅速累积问题。对比其他基准模型,CNN、 GRU模型对于交通流序列的特征提取及解释能力较为优秀。对于未来12个步长的交通流量预测任务,对比其他基准模型,单因素输入情况的ED CNN-GRU模型的均方根误差下降约0.344～6.464,平均绝对误差下降约0.192～0.425。对比单因素输入,多因素输入下ED CNN-GRU模型拥有更好的预测能力。证明了ED CNN-GRU模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型。     

基于CNN-GRU的移动APP流行度预测模型

移动APP流行度预测对应用推荐、广告投放等意义重大。但是现有方法大多依赖手工特征工程,工作量大且效率较低。为此,提出一种基于深度神经网络的移动APP流行度预测模型。利用最大信息系数进行特征相关性分析以确保特征选取有效性,结合历史流行度特征,通过门控循环单元(gate recurrent unit,GRU)和注意力机制构建长期演化模型来推演发展趋势,基于多尺度卷积神经网络(convolutional neural networks,CNN)和注意力机制构建短期波动模型以实现预测动态优化,结合其他重要特征利用GRU和注意力机制建立多因素影响模型。通过时间注意力模块将上述模型融合,实现流行度预测。实验结果表明,所提模型在移动APP流行度预测方面相对更为精准有效。     

变电站密闭空间中设备故障的智能判定方法

变电站设备大多处于密闭空间中,依赖传感器和专家经验来判别故障,为避免当前故障判别方式的弊端并提高变电站智能化水平,提出一种智能判定方法。首先,在对各类巡检需求分析的基础上完成数据的采集和标注,构建数据库;其次,分别介绍门控循环单元和粒子群算法,基于粒子群优化的门控循环单元网络(particle swarm optimization-gated recurrent unit, PSO-GRU)提出智能故障判定方法,给出了具体的网络结构和算法流程;最后,结合实际数据设计仿真实验,提供了具体的实验方式和流程,将本文方法的判别效果进行验证并与其他两种网络进行对比。结果表明:PSO-GRU对故障的判定更加快速和准确。     

基于编码器-解码器结构的路面平整度预测

提出了基于编码器?解码器结构的路面平整度预测模型。对比分析了不同网络层的表现,并比较了网络层个数、隐藏节点数、数据时间窗口对模型精度的影响。在美国交通部公开的LTPP（long-term pavement performance）数据库的基础上构建了国际平整度指数（IRI）数据集,并对模型进行了训练和评估。结果表明：采用门控循环单元（GRU）网络层的编码器?解码器结构的预测性能最好,优于经典的机器学习模型XGBoost和单独长短期记忆（LSTM）网络。通过特征随机打乱的方式对不同输入特征的重要性进行了评估,结果显示路面结构和温度对于路面平整度预测比较重要,在数据库建设时应注意对这些数据的收集。     

基于GRU与PCA-TL的热应力下IGBT故障预测

针对热应力下绝缘栅双极型晶体管(insulated gate bipolar transistor, IGBT)的性能随时间逐步退化的特性,将深度学习中的时间序列预测算法应用到IGBT故障预测中,提出了基于门控循环单元(gated recurrent unit, GRU)与主成分分析-迁移学习(principal components analysis-transfer learning, PCA-TL)的故障预测新方法。该方法以电参数集电极-发射极电压V_CE作为衰退参数,采用GRU模型构建衰退参数与故障时间的映射关系;利用PCA技术综合相异分布特征的IGBT故障指标,引入TL方法,通过微调GRU预测模型的参数完成从源域到目标域的迁移,实现目标域样本的故障预测。实验结果表明,基于GRU的故障预测模型具有较高的预测精度,与长短期记忆(long short-term memory, LSTM)算法相比,训练速度更快;PCA-TL方法可实现同类器件不同工况下的故障监测任务。验证了所提方法的可行性和正确性。     

基于门控循环单元网络的低阻油层测井流体识别方法

研究区块低阻油层发育广泛,油层和水层的电阻率相差不大,导致测井流体识别较为困难。为了有效识别低阻油层,采用少数类过采样技术(synthetic minority oversampling technique, Smote)对油水同层,油层等少数类样本进行过采样使数据集均衡;并利用门控循环单元(gated recurrent unit, GRU)网络模型进行低阻油层的流体识别。通过相关性分析确定自然伽马(GR)、深侧向电阻率(RD)、密度(DEN)等8条测井曲线数据作为输入训练模型,应用于中实际资料中,并将GRU与传统RNN和其他3种机器学习算法对比。结果表明：序列数据模型的流体识别效果比传统机器学习模型好,且基于Smote-GRU的流体识别模型的符合率达到89.5%,相对传统循环神经网络(recurrent neural network, RNN)的81.1%,取得了较好的应用效果。通过对照试验还证实了Smote算法提高了分类器对少数类样本的识别率。所提出的方法可为样本不均衡的低阻油层的流体识别提供参考。     

用门控循环单元实时预测空战飞行轨迹

为了提高飞机飞行轨迹预测准确率、确保轨迹预测实时性,提出使用门控循环单元(gated recurrent unit, GRU)预测轨迹。对不同条件下的不同机动动作进行飞行仿真,得到大量轨迹样本。设计具有不同层数和神经元个数的网络,用得到的样本对其进行训练。选出在测试集上误差最小的网络结构。对比GRU网络、循环神经网络和反向传播网络的相对误差和预测用时。引入坐标变换矩阵,使轨迹预测不受航向和坐标系影响。对比3种方法在一段频繁变化的轨迹上的绝对误差。结果表明,所提方法的平均绝对误差在x轴上约为18 m,在y轴上约为11 m,在z轴上约为22 m,显著小于另外两种方法,且平均预测用时约为2.4 ms,满足实时性要求。     

水下目标工频磁场扰动信号检测方法研究

为了解决水下目标磁场近程化探测中磁信号衰减快、干扰强及扰动特征不明确、无法有效探测信号等问题,提出了一种基于混合神经网络与注意力机制(Att-CNN-GRU)的工频磁场水下目标时间序列扰动信号检测方法。将CNN,GRU神经网络与Attention机制相结合拟合信号,构建分类神经网络,对目标信号进行分类识别,同时与未引入注意力机制的CNN-LSTM模型及单一CNN和LSTM网络模型的预测及检测性能进行比较。结果表明,相较于传统方法,信号拟合效果将误差分别减小了36.24%,14.44%和4.878%,目标检测准确率达到83.3%。因此,加入Attention机制的CNN-GRU模型检测性能比CNN,LSTM和CNN-GRU模型更优异,作为辅助手段,能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题,实现对水下目标造成的工频磁场扰动信号的拟合与检测。